Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fuzzy Based Efficient Mechanism for URL Assignment in Dynamic Web Crawler Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Classification Based Network Layer Botnet Detection

verfasst von : Shivangi Garg, R. M. Sharma

Erschienen in: Advanced Informatics for Computing Research

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Botnets has emerged as the capacious cyber security menace that is encountered by the institutions as well as population around the terrene. It has matured into becoming the primal carrier for launching the most serious menace such as DDOS attacks, spreading of spams, stealing of user’s sensitive information (Banking info, credit card info etc.) and more. Generally, the community of common users are unaware of security standards that make them even more susceptible to bot attacks. A sententious amount of research for botnet detection and analysis has been done but significant amount of work has not been done in terms of contributing a community herded tool for bots. We propose an idea to perform filtration and classification on data received by Botflex that can help to reduce processing overhead and throughput of IDS will be improved. Botflex have limited set of detection parameters which are extended in our proposed approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Increasing Route Availability in Internet of Vehicles Using Ant Colony Optimization
Nächstes Kapitel An Efficient and Reliable Data Gathering Protocol Based on RSU Identification
Literatur
1.
Karim, A., Salleh, R.B., Shiraz, M., Shah, S.A.A., Awan, I., Anuar, N.B.: Botnet detection techniques: review, future trends, and issues. J. Zhejiang Univ. SCI. C 15, 943–983 (2014). doi:10.​1631/​jzus.​C1300242 CrossRef
2.
3.
Silva, S.S.C., Silna, R.M.P., Pinto, R.C.G., Salles, R.M.: Botnet: a survey. Comput. Netw. 57, 378–403 (2013). ElsevierCrossRef
4.
Gross, G.: Detecting and destroying botnets. Netw. Secur. 2016(3), 7–10 (2016)CrossRef
5.
6.
7.
Gu, G., Porras, P., Yegneswaran, V., Fong, M., Lee, W.: BotHunter: detecting malware infection through IDS-driven dialog correlation. In: Proceedings of the 16th USENIX Security Symposium, Boston, MA, USA 2007, vol. 7, pp. 1–16 (2007)
8.
Khattak, S., Ahmed, Z., Syed, A.A., Khayam, S.A.: BotFlex: a community-driven tool for botnet detection. J. Netw. Comput. Appl. 58(2015), 144–154 (2015)CrossRef
9.
Paxson, V.: Bro: A System for Detecting Network Intruders in Real-Time. In: Proceedings of the 7th USENIX Security Symposium San Antonio, Texas, vol. 31, pp. 2435–2463 (1998)
10.
Gómez, J., Gil, C., Padilla, N., Baños, R., Jiménez, C.: Design of a snort-based hybrid intrusion detection system. In: Omatu, S., Rocha, M.P., Bravo, J., Fernández, F., Corchado, E., Bustillo, A., Corchado, J.M. (eds.) IWANN 2009. LNCS, vol. 5518, pp. 515–522. Springer, Heidelberg (2009). doi:10.​1007/​978-3-642-02481-8_​75 CrossRef
11.
12.
Gu, G., Perdisci, R., Zhang, J., Lee, W.: BotMiner: clustering analysis of network traffic for protocol- and structure-independent botnet detection. In: Proceedings of the 17th USENIX Security Symposium, San Jose, CA, USA 2008, vol. 5, pp. 139–154 (2008)
13.
Zhao, D., Traore, I., Sayed, B., Lu, W., Saad, S., Ghorbani, A., et al.: Botnet detection based on traffic behavior analysis and flow intervals. Computer Security 39(2013), 2–16 (2013)CrossRef
14.
Haq, O., Ahmed, W., Syed, A.A.: Titan: enabling low overhead and multi-faceted network fingerprinting of a bot. In: Proceedings of the 2014 44th Annual IEEE/IFIP International Conference on Dependable Systems and Networks. DSN 2014. Washington, DC, USA, pp. 37–44. IEEE Computer Society (2014). doi:10.​1109/​DSN.​2014.​20
15.
Shin, S., Xu, Z., Gu, G.: EFFORT: a new host- network cooperated framework for efficient and effective bot malware detection. Comput. Netw. 57, 2628–2642 (2013)CrossRef
16.
Zand, A., Vigna, G., Yan, X., Kruegel, C.: Extracting probable command and control signatures for detecting botnets. In: Proceedings of the 29th Annual ACM Symposium on Applied Computing (SAC 2014), New York, NY, USA, pp. 1657–1662. ACM (2014). doi:10.​1145/​2554850.​2554896
17.
Sakib, M.N., Huang, C.-T.: Using anomaly detection based techniques to detect HTTP-based botnet C&C traffic. In: 2016 IEEE International Conference on Communications (ICC). IEEE, pp. 1–6 (2016). doi:10.​1109/​ICC.​2016.​7510883
18.
Chen, C.-M., Lin, H.-C.: Detecting botnet by anomalous traffic. J. Inf. Secur. Appl. 21, 42–51 (2015)
19.
Gu, G., Zhang, J., Lee, W.: BotSniffer: detecting botnet command and control channels in network traffic. In: Proceedings of the 15th Annual Network and Distributed System Security Symposium (2008)
20.
21.
Alieyan, K., ALmomani, A., Manasrah, A., Kadhum, M.M.: A survey of botnet detection based on DNS. Neural Comput. Appl. 28, 1541–1558 (2015). Springer, Heidelebrg
Metadaten
Titel
Classification Based Network Layer Botnet Detection
verfasst von
Shivangi Garg
R. M. Sharma
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Advanced Informatics for Computing Research

Print ISBN: 978-981-10-5779-3

Electronic ISBN: 978-981-10-5780-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-5780-9_30